Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "Benba, Achraf" wg kryterium: Autor

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-4 z 4
    Tytuł:
    Automatic detection of Alzheimers disease based on artificial intelligence
    Automatyczne wykrywanie choroby Alzheimera w oparciu o sztuczną inteligencję
    Autorzy:
    Benba, Achraf
    Abdelilah, Kerchaoui
    Powiązania:
    https://bibliotekanauki.pl/articles/27315370.pdf
    Data publikacji:
    2023
    Wydawca:
    Politechnika Lubelska. Wydawnictwo Politechniki Lubelskiej
    Tematy:
    Alzheimer’s disorder
    artificial intelligence
    deep learning
    signal processing
    choroba Alzheimera
    sztuczna inteligencja
    głębokie uczenie się
    przetwarzanie sygnału
    Opis:
    Alzheimer's disease is a neurodegenerative disease that progressively destroys neurons through the formation of platelets that prevent communication between neurons. The study carried out in this project aims to find a precise and relevant diagnostic solution based on artificial intelligence and which helps in the early detection of Alzheimer's disease in order to stop its progression. The study went through a process of processing MRI images followed by training of three deep learning algorithms (VGG-19, Xception and DenseNet121) and finally by a step of testing and predicting the results. The results of the accuracy metric obtained for the three algorithms were respectively 98%, 95%, 91%.
    Choroba Alzheimera jest chorobą neurodegeneracyjną, która stopniowo niszczy neurony poprzez tworzenie płytek krwi, które uniemożliwiają komunikację między neuronami. Badania prowadzone w ramach tego projektu mają na celu znalezienie precyzyjnego i trafnego rozwiązania diagnostycznego opartego na sztucznej inteligencji, które pomoże we wczesnym wykryciu choroby Alzheimera w celu zatrzymania jej postępu. Badanie przeszło przez proces przetwarzania obrazów MRI, po którym następowało szkolenie trzech algorytmów głębokiego uczenia (VGG-19, Xception i DenseNet121), a na koniec etap testowania i przewidywania wyników. Wyniki metryki dokładności otrzymane dla trzech algorytmów wyniosły odpowiednio 98%, 95%, 91%.
    Źródło:
    Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska; 2023, 13, 1; 18--21
    2083-0157
    2391-6761
    Pojawia się w:
    Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Classification of Parkinson’s disease and other neurological disorders using voice features extraction and reduction techniques
    Klasyfikacja choroby Parkinsona i innych zaburzeń neurologicznych z wykorzystaniem ekstrakcji cech głosowych i technik redukcji
    Autorzy:
    Majdoubi, Oumaima
    Benba, Achraf
    Hammouch, Ahmed
    Powiązania:
    https://bibliotekanauki.pl/articles/27315435.pdf
    Data publikacji:
    2023
    Wydawca:
    Politechnika Lubelska. Wydawnictwo Politechniki Lubelskiej
    Tematy:
    voice analysis
    Parkinson’s disease
    MFCC
    PCA
    naive Bayes kernel
    machine learning
    analiza głosu
    choroba Parkinsona
    naiwne jądro bayesowskie
    uczenie maszynowe
    Opis:
    This study aimed to differentiate individuals with Parkinson's disease (PD) from those with other neurological disorders (ND) by analyzing voice samples, considering the association between voice disorders and PD. Voice samples were collected from 76 participants using different recording devices and conditions, with participants instructed to sustain the vowel /a/ comfortably. PRAAT software was employed to extract features including autocorrelation (AC), cross-correlation (CC), and Mel frequency cepstral coefficients (MFCC) from the voice samples. Principal component analysis (PCA) was utilized to reduce the dimensionality of the features. Classification Tree (CT), Logistic Regression, Naive Bayes (NB), Support Vector Machines (SVM), and Ensemble methods were employed as supervised machine learning techniques for classification. Each method provided distinct strengths and characteristics, facilitating a comprehensive evaluation of their effectiveness in distinguishing PD patients from individuals with other neurological disorders. The Naive Bayes kernel, using seven PCA-derived components, achieved the highest accuracy rate of 86.84% among the tested classification methods. It is worth noting that classifier performance may vary based on the dataset and specific characteristics of the voice samples. In conclusion, this study demonstrated the potential of voice analysis as a diagnostic tool for distinguishing PD patients from individuals with other neurological disorders. By employing a variety of voice analysis techniques and utilizing different machine learning algorithms, including Classification Tree, Logistic Regression, Naive Bayes, Support Vector Machines, and Ensemble methods, a notable accuracy rate was attained. However, further research and validation using larger datasets are required to consolidate and generalize these findings for future clinical applications.
    Przedstawione badanie miało na celu różnicowanie osób z chorobą Parkinsona (PD) od osób z innymi zaburzeniami neurologicznymi poprzez analizę próbek głosowych, biorąc pod uwagę związek między zaburzeniami głosu a PD. Próbki głosowe zostały zebrane od 76 uczestników przy użyciu różnych urządzeń i warunków nagrywania, a uczestnicy byli instruowani, aby wydłużyć samogłoskę /a/ w wygodnym tempie. Oprogramowanie PRAAT zostało zastosowane do ekstrakcji cech, takich jak autokorelacja (AC), krzyżowa korelacja (CC) i współczynniki cepstralne Mel (MFCC) z próbek głosowych. Analiza składowych głównych (PCA) została wykorzystana w celu zmniejszenia wymiarowości cech. Jako techniki nadzorowanego uczenia maszynowego wykorzystano drzewa decyzyjne (CT), regresję logistyczną, naiwny klasyfikator Bayesa (NB), maszyny wektorów nośnych (SVM) oraz metody zespołowe. Każda z tych metod posiadała swoje unikalne mocne strony i charakterystyki, umożliwiając kompleksową ocenę ich skuteczności w rozróżnianiu pacjentów z PD od osób z innymi zaburzeniami neurologicznymi. Naiwny klasyfikator Bayesa, wykorzystujący siedem składowych PCA, osiągnął najwyższy wskaźnik dokładności na poziomie 86,84% wśród przetestowanych metod klasyfikacji. Należy jednak zauważyć, że wydajność klasyfikatora może się różnić w zależności od zbioru danych i konkretnych cech próbek głosowych. Podsumowując, to badanie wykazało potencjał analizy głosu jako narzędzia diagnostycznego do rozróżniania pacjentów z PD od osób z innymi zaburzeniami neurologicznymi. Poprzez zastosowanie różnych technik analizy głosu i wykorzystanie różnych algorytmów uczenia maszynowego, takich jak drzewa decyzyjne, regresja logistyczna, naiwny klasyfikator Bayesa, maszyny wektorów nośnych i metody zespołowe, osiągnięto znaczący poziom dokładności. Niemniej jednak, konieczne są dalsze badania i walidacja na większych zbiorach danych w celu skonsolidowania i uogólnienia tych wyników dla przyszłych zastosowań klinicznych.
    Źródło:
    Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska; 2023, 13, 3; 16--22
    2083-0157
    2391-6761
    Pojawia się w:
    Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Comprehensive machine learning and deep learning approaches for Parkinsons disease classification and severity assessment
    Kompleksowe metody uczenia maszynowego i uczenia głębokiego do klasyfikacji choroby Parkinsona i oceny jej nasilenia
    Autorzy:
    Majdoubi, Oumaima
    Benba, Achraf
    Hammouch, Ahmed
    Powiązania:
    https://bibliotekanauki.pl/articles/27315457.pdf
    Data publikacji:
    2023
    Wydawca:
    Politechnika Lubelska. Wydawnictwo Politechniki Lubelskiej
    Tematy:
    Parkinson's disease
    severity assessment
    machine learning
    XGBoost
    Gated Recurrent Unit (GRU)
    comparative analysis
    choroba Parkinsona
    ocena ciężkości
    uczenie maszynowe
    analiza porównawcza
    Opis:
    In this study, we aimed to adopt a comprehensive approach to categorize and assess the severity of Parkinson's disease by leveraging techniques from both machine learning and deep learning. We thoroughly evaluated the effectiveness of various models, including XGBoost, Random Forest, Multi-Layer Perceptron (MLP), and Recurrent Neural Network (RNN), utilizing classification metrics. We generated detailed reports to facilitate a comprehensive comparative analysis of these models. Notably, XGBoost demonstrated the highest precision at 97.4%. Additionally, we took a step further by developing a Gated Recurrent Unit (GRU) model with the purpose of combining predictions from alternative models. We assessed its ability to predict the severity of the ailment. To quantify the precision levels of the models in disease classification, we calculated severity percentages. Furthermore, we created a Receiver Operating Characteristic (ROC) curve for the GRU model, simplifying the evaluation of its capability to distinguish among various severity levels. This comprehensive approach contributes to a more accurate and detailed understanding of Parkinson's disease severity assessment.
    W tym badaniu naszym celem było przyjęcie kompleksowego podejścia do kategoryzacji i oceny ciężkości choroby Parkinsona poprzez wykorzystanie technik zarówno uczenia maszynowego, jak i głębokiego uczenia. Dokładnie oceniliśmy skuteczność różnych modeli, w tym XGBoost, Random Forest, Multi-Layer Perceptron (MLP) i Recurrent Neural Network (RNN), wykorzystując wskaźniki klasyfikacji. Wygenerowaliśmy szczegółowe raporty, aby ułatwić kompleksową analizę porównawczą tych modeli. Warto zauważyć, że XGBoost wykazał najwyższą precyzję na poziomie 97,4%. Ponadto poszliśmy o krok dalej, opracowując model Gated Recurrent Unit (GRU) w celu połączenia przewidywań z alternatywnych modeli. Oceniliśmy jego zdolność do przewidywania nasilenia dolegliwości. Aby określić ilościowo poziomy dokładności modeli w klasyfikacji chorób, obliczyliśmy wartości procentowe nasilenia. Ponadto stworzyliśmy krzywą charakterystyki operacyjnej odbiornika (ROC) dla modelu GRU, upraszczając ocenę jego zdolności do rozróżniania różnych poziomów nasilenia. To kompleksowe podejście przyczynia się do dokładniejszego i bardziej szczegółowego zrozumienia oceny ciężkości choroby Parkinsona.
    Źródło:
    Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska; 2023, 13, 4; 15--20
    2083-0157
    2391-6761
    Pojawia się w:
    Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Implementation of an artificial intelligence-based ECG acquisition system for the detection of cardiac abnormalities
    Wdrożenie systemu pozyskiwania EKG opartego na sztucznej inteligencji w celu wykrywania nieprawidłowości serca
    Autorzy:
    Benba, Achraf
    El Attaoui, Fatima Zahra
    Sandabad, Sara
    Powiązania:
    https://bibliotekanauki.pl/articles/27315375.pdf
    Data publikacji:
    2023
    Wydawca:
    Politechnika Lubelska. Wydawnictwo Politechniki Lubelskiej
    Tematy:
    electrocardiogram
    arrhythmias
    artificial intelligence
    convolution neural network
    elektrokardiogram
    arytmia
    sztuczna inteligencja
    konwolucyjna sieć neuronowa
    Opis:
    The electrocardiogram (ECG) is a common test that measures the electrical activity of the heart. On the ECG, several cardiac abnormalities can be seen, including arrhythmias, which are one of the major causes of cardiac mortality worldwide. The objective for the research community is accurate and automated cardiovascular analysis, especially given the maturity of artificial intelligence technology and its contribution to the health area. The goal of this effort is to create an acquisition system and use artificial intelligence to classify ECG readings. This system is designed in two parts: the first is the signal acquisition using the ECG Module AD8232; the obtained signal is a single derivation that has been amplified and filtered. The second section is the classification for heart illness identification; the suggested model is a deep convolutional neural network with 12 layers that was able to categorize five types of heartbeats from the MIT-BIH arrhythmia database. The results were encouraging, and the embedded system was built.
    Elektrokardiogram (EKG) to powszechny test, który mierzy aktywność elektryczną serca. W zapisie EKG można zauważyć kilka nieprawidłowości serca, w tym arytmie, które są jedną z głównych przyczyn śmiertelności sercowej na całym świecie. Celem społeczności naukowej jest dokładna i zautomatyzowana analiza układu sercowo-naczyniowego, zwłaszcza biorąc pod uwagę dojrzałość technologii sztucznej inteligencji i jej wkład w obszar zdrowia. Celem tych wysiłków jest stworzenie systemu akwizycji i wykorzystanie sztucznej inteligencji do klasyfikacji odczytów EKG. System ten składa się z dwóch części: pierwsza to akwizycja sygnału za pomocą modułu EKG AD8232; uzyskany sygnał jest pojedynczą pochodną, która została wzmocniona i przefiltrowana. Druga sekcja to klasyfikacja identyfikacji chorób serca; sugerowany model to głęboka konwolucyjna sieć neuronowa z 12 warstwami, która była w stanie sklasyfikować pięć typów uderzeń serca z bazy danych arytmii MIT-BIH. Wyniki były zachęcające i zbudowano system wbudowany.
    Źródło:
    Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska; 2023, 13, 1; 22--25
    2083-0157
    2391-6761
    Pojawia się w:
    Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-4 z 4

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies